[논문 리뷰] DeepStreet: A deep learning powered urban street network generation module

Zhou Fang, Tianren Yang외 1명|arXiv (Cornell University)|2020. 10. 09.

Automated Road and Building Extraction참고 문헌 14인용 수 23

한 줄 요약

DeepStreet는 지역적 공간 패턴과 구조적 일관성을 유지하는 도시 스트리트 네트워크를 자동으로 생성하기 위해 컨볼루션 신경망(CNN)을 사용하는 딥러닝 프레임워크를 제안한다. 오픈스트리트맵 데이터로 훈련된 이 모델은 국소적 특징을 학습함으로써 정의된 지역 내 미래 스트리트 확장을 예측하며, 바르셀로나의 격자형과 비정형 스트리트 패턴을 고정밀도로 모델링하는 데 성공한다.

ABSTRACT

In countries experiencing unprecedented waves of urbanization, there is a need for rapid and high quality urban street design. Our study presents a novel deep learning powered approach, DeepStreet (DS), for automatic street network generation that can be applied to the urban street design with local characteristics. DS is driven by a Convolutional Neural Network (CNN) that enables the interpolation of streets based on the areas of immediate vicinity. Specifically, the CNN is firstly trained to detect, recognize and capture the local features as well as the patterns of the existing street network sourced from the OpenStreetMap. With the trained CNN, DS is able to predict street networks' future expansion patterns within the predefined region conditioned on its surrounding street networks. To test the performance of DS, we apply it to an area in and around the Eixample area in the City of Barcelona, a well known example in the fields of urban and transport planning with iconic grid like street networks in the centre and irregular road alignments farther afield. The results show that DS can (1) detect and self cluster different types of complex street patterns in Barcelona; (2) predict both gridiron and irregular street and road networks. DS proves to have a great potential as a novel tool for designers to efficiently design the urban street network that well maintains the consistency across the existing and newly generated urban street network. Furthermore, the generated networks can serve as a benchmark to guide the local plan-making especially in rapidly developing cities.

연구 동기 및 목표

• 빠르게 도시화되는 지역에서 빠르고 고품질의 도시 스트리트 네트워크 설계에 대한 증가하는 수요를 해결하기 위해.
• 확장 과정에서 국소 스트리트 네트워크 특성을 유지하는 자동화된 방법을 개발하기 위해.
• 기존 도시 형태와 일치하는 일관되고 현실적인 스트리트 네트워크를 생성하기 위해.
• 미래 개발을 이끄는 도시 계획가와 지역 당국을 위한 확장 가능한 도구를 제공하기 위해.
• 빠르게 변화하는 도시에서의 도시 계획을 위한 기준점으로 기능하기 위해.

제안 방법

• 컨볼루션 신경망(CNN)이 오픈스트리트맵 데이터를 기반으로 국소 스트리트 패턴을 탐지하고 식별하도록 훈련된다.
• CNN은 주변 스트리트 네트워크의 정보를 바탕으로 새로운 스트리트 세그먼트를 보간하는 데 학습한다.
• 모델은 정의된 지역 내 기존 스트리트 레이아웃을 바탕으로 미래 스트리트 네트워크 예측을 조건화한다.
• 프레임워크는 이웃 스트리트의 공간적 맥락을 활용하여 타당한 확장 패턴을 추론한다.
• 훈련된 모델은 관측된 도시 형태와 일치하는 연속적이고 일관된 스트리트 네트워크를 생성한다.
• 이 방법은 바르셀로나의 Eixample 지구에서 평가되었으며, 이는 격자형과 비정형 스트리트 패턴이 혼합된 것으로 유명하다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 도시 환경에서 복잡한 스트리트 패턴을 정확하게 탐지하고 분류할 수 있는가?
• RQ2 모델은 기존 도시 형태와 일관성을 유지하면서 현실적인 미래 스트리트 네트워크 확장을 예측할 수 있는가?
• RQ3 모델은 정규 격자형과 비정형 스트리트 네트워크 양쪽 모두에 일반화될 수 있는가?
• RQ4 스트리트 네트워크 생성 과정에서 국소 공간 특성을 얼마나 잘 유지하는가?
• RQ5 생성된 네트워크가 도시 계획의 기준점으로 얼마나 효과적으로 기능할 수 있는가?

주요 결과

• DeepStreet는 바르셀로나의 Eixample 지구에서 다양한 스트리트 패턴, 즉 격자형과 비정형 배치를 모두 정확하게 탐지하고 자체 클러스터링한다.
• 모델은 기존 도시 구조와 일관성을 유지하는 유기적인 스트리트 네트워크를 생성한다.
• 생성된 네트워크는 실제 세계 패턴과 높은 유사도를 보이며, 다양한 도시 형태에 걸쳐 뛰어난 강건성을 입증한다.
• 이 프레임워크는 정규에서 비정형 스트리트 레이아웃으로의 전환을 포함한 복잡한 도시 형태를 모델링하는 데 효과적임을 입증한다.
• 결과적으로 DeepStreet는 빠르게 발전하는 도시에서 도시 계획가들에게 유용한 도구가 될 수 있음을 시사한다.
• 이 접근법은 수작업 스트리트 네트워크 설계의 대체로 확장 가능하고 데이터 기반의 방법을 제공한다.